Computational Aspects of Private Bayesian Persuasion
我们研究计算问题的博弈论模型，特别是旨在捕捉广告/说服应用，如病毒式营销。具体来说，我们考虑一个多代理贝叶斯说服模型，一个知情的发送者（营销人员）试图说服一组代理（消费者）采用某种产品。产品的质量对发送者是已知的，但对代理商是未知的。发送者被允许承诺一个信号策略，她发送一个私人信号-比如说，一个病毒式营销广告-给每个代理。这项工作研究的计算方面找到一个信令策略，最大限度地提高发送者的收入。我们表明，如果发送者的效用是一个子模块功能的代理，采用的产品，那么我们可以有效地找到一个信令策略，其收入至少是（1-1/e）倍的最优。我们还证明，近似发送者的最佳收入的一个因素优于（1-1/e）是NP-难的，因此，开发的近似保证是本质上紧。当“代理”效用是采用该产品的代理数量的函数时（即，效用函数是匿名的），我们证明了最优信令策略可以在多项式时间内计算。我们的研究结果是基于一个有趣的贝叶斯说服问题和评价的凹封闭的一组功能之间的连接。
2016-03-04 cs.GT
Multi-Sender Bayesian Persuasion with Imperfect Information
IIT Hyderabad（印度理工学院海德拉巴分校）；IIIT Hyderabad（信息科学与技术研究所海德拉巴分校）
研究多发送者贝叶斯说服问题，分析接收者直接策略诱导的博弈，刻画发送者最佳反应及完全信息均衡条件。重要贡献是分析接收者先承诺的更一般行动策略诱导的博弈，表明其能改变问题并助接收者最大化收益与确保均衡。
2026-07-10 cs.GT
Multi-Channel Bayesian Persuasion
著名的贝叶斯说服模型考虑了知情的代理人（发送者）和不知情的决策者（接收者）之间的战略沟通。目前快速增长的文献大多假设二分法：发送者足够强大，可以单独与每个接收者进行通信（也称为“发送者”）。私人劝说），或者她根本不能单独沟通（也就是说，公众舆论）。我们研究了一个模型，平滑插值之间的两个，通过考虑一个自然的多通道通信结构中，每个接收器观察发送者的通信信道的一个子集。这捕获了，例如，网络上的接收者，信息溢出几乎是不可避免的。我们完全表征时，一个通信结构是更好的发送者比另一个，在这个意义上产生更高的最优预期效用普遍超过所有先验分布和效用函数。的表征是基于一个简单的接收器之间的成对关系-一个接收器的信息-占主导地位的另一个，如果他观察到至少相同的信道。我们证明了一个通信结构$M_1$是（弱）优于$M_2$当且仅当每个信息主导对接收器在$M_1$也是这样在$M_2$。我们还提供了一个添加剂的FPTAS的最佳发送方的信令方案时，状态数是常数和图的信息支配对是一个有向森林。最后，我们证明，找到一个最佳的信令方案下的多通道说服，一般来说，计算上比公共和私人的说服。
2022-03-15 cs.GT
Multi-Sender Persuasion: A Computational Perspective
Harvard University（哈佛大学）；University of Chicago（芝加哥大学）
该研究针对多发送者说服问题，证明其一般均衡求解为PPAD难、单发送者最优响应为NP难，提出结合外梯度算法的可微分神经网络寻找帕累托更优的局部纳什均衡，为相关经济问题提供理论与实证支撑。
2024-06-20 cs.AI cs.GT
Reputation-based Persuasion Platforms
本文提出两阶段贝叶斯说服模型，研究第三方平台控制信息以最大化用户效用的最优披露策略，并扩展到重复博弈中通过声誉机制惩罚不诚实发送者，简化平台优化。
2024-07-20 cs.GT
Markov Persuasion Processes: Learning to Persuade from Scratch
Politecnico di Milano（米兰理工大学）
该研究针对现有马尔可夫说服过程（MPPs）需假设发送方知晓接收方收益的实际落地缺陷，提出发送方无环境先验知识场景下的部分反馈学习算法，证明其遗憾值与累积说服力损失随回合数次线性增长，并给出匹配的性能下界。
2024-03-06 cs.GT cs.LG
Optimal Rates and Efficient Algorithms for Online Bayesian Persuasion
贝叶斯说服研究了一个知情的发送者应该如何影响理性的接收者的信念，这些接收者通过贝叶斯更新一个共同的先验知识来做出决策。我们专注于在线贝叶斯说服框架，其中发送者反复面对一个或多个接收器与未知和adversarially选择的类型。首先，我们展示了如何获得一个紧密的$\tilde O(T^{1/2})$遗憾界的情况下，发送者面对一个单一的接收器，并有部分反馈，提高了以前最好的已知界的$\tilde O(T^{4/5})$。然后，我们提供了部分反馈下的多接收器设置的第一个无遗憾保证。最后，我们展示了如何设计无遗憾算法多项式每迭代运行时间利用类型报告，从而规避已知的棘手的结果在线贝叶斯说服。我们提供了有效的算法，保证$O(T^{1/2})$遗憾的上限都在单和多接收器的情况下，类型报告是允许的。
2023-03-02 cs.GT
Informativeness and Trust in Bayesian Persuasion
研究贝叶斯劝说中发送方与接收方的交互，通过线性规划刻画Stackelberg博弈值与信任约束，定义并量化发送方信息量，推广了确定性策略下的先前工作。
2024-08-25 cs.GT cs.SY econ.TH
Dynamic Competitive Persuasion
研究两个长期发送者向短期接收者提供信息的动态竞争性说服博弈，发现设定价格时存在民间定理，不设价格时唯一均衡中耐心发送者提供更少信息。
2023-12-24 cs.GT econ.GN econ.TH
Bayesian Persuasion Meets Mechanism Design: Going Beyond Intractability with Type Reporting
贝叶斯说服研究的是知情的发送者如何部分地披露信息，以影响自利的接收者的行为。在过去的几年里，越来越多的注意力已经致力于放松假设，发送者完全知道接收者的收益。实现这一目标的第一个关键步骤是研究每个接收者的收益取决于其未知类型的设置，这是随机确定的一个已知的有限支持的概率分布。这带来了相当大的计算挑战，因为计算发送方最优信令方案在任何恒定因子内都是不可近似的。在这项工作中，我们绕过这个问题，利用机制设计的想法。特别是，我们引入了一个类型报告步骤，其中接收器被要求报告他们的类型发送器，后者已提交到一个菜单定义的信令方案，为每个可能的接收器的类型后。我们证明，与一个单一的接收器，除了这种类型的报告阶段，使发送者的计算问题易于处理。然后，我们将我们的框架扩展到多个接收器的设置，专注于没有代理间外部性和二元行为的情况。我们表明，它是可能的，以找到一个发送器的最佳解决方案，在多项式时间的椭圆形方法，获得一个合适的多项式时间分离的预言。这可以实现超模块和匿名发送者的实用程序函数。对于次模发送者效用函数的情形，我们首先将发送者问题近似地转化为一个线性约束数学规划，其目标函数是发送者效用函数的多线性扩展。然后，我们展示了如何找到在多项式时间的一个近似的解决方案，通过一个连续的贪心算法的程序。这提供了问题的（1 - 1/e）-近似。
2022-09-01 cs.GT
Multi-Receiver Online Bayesian Persuasion
Politecnico di Milano（米兰理工大学）
贝叶斯说服研究的是一个知情的发送者应该如何部分地披露信息，以影响一个自利的接收者的行为。经典模型严格假设发送者知道接收者的效用。这可以通过考虑一个在线学习框架来放松，在这个框架中，发送者反复面对一个未知的、敌对选择类型的接收者。我们研究，第一次，一个在线贝叶斯说服设置多个接收器。我们专注于没有外部性和二元行为的情况下，在离线模型中的习惯。我们的目标是为发送者设计一个每次迭代运行时间为多项式的无悔算法。首先，我们证明了一个否定的结果：对于任何$0 < α\leq 1$，不存在多项式时间的无$α$后悔算法时，发送者的效用函数是超模或匿名的。然后，我们专注于次模块发送者的效用函数的情况下，我们表明，在这种情况下，它是可能的设计多项式时间无$(1 - \frac{1}{e})$遗憾算法。为此，我们引入了一个通用的在线梯度下降方案来处理有限数量的可能损失函数的在线学习问题。这需要存在一个近似的投影预言。我们表明，在我们的设置中，存在一个这样的投影预言机，它可以在多项式时间内实现。
2021-06-11 cs.AI cs.GT
Managing Persuasion Robustly: The Optimality of Quota Rules
Yale University（耶鲁大学）；London School of Economics（伦敦政治经济学院）；National University of Singapore（新加坡国立大学）
本文研究了在存在不确定性时，配额规则在发送者-接收者模型中始终是最优的决策规则。
2026-07-28 cs.GT econ.TH
Regret-Minimizing Bayesian Persuasion
我们研究了贝叶斯说服设置与二元行动（采用和拒绝）的接收器。我们研究了以下问题--在不了解接受者的效用的情况下，在说服接受者采纳方面，接受者能做得多好？我们采取了一个强大的（对抗）的方法来研究这个问题，也就是说，我们的目标是设计信令方案，执行良好的所有可能的接收器的实用程序。我们通过（添加剂）遗憾的概念来衡量信号方案的性能：假设接收器的效用函数与给定方案引起的实际效用之间的差异。在消极的一面，我们表明，如果不知道在所有接收器的效用，那么不知道有没有信号方案，表现稳健。在积极的一面，我们表明，如果只知道接收器的自然状态的顺序偏好-即，接受者的效用是单调的状态的函数-那么即使状态的数量趋于无穷大，它也可以保证令人惊讶的低后悔。事实上，我们精确地确定了在这种情况下，最小后悔值可以保证，最多是1/e。我们进一步表明，这种积极的结果是不可能的乘法近似比的替代性能指标下，证明没有恒定的比率可以保证，即使单调接收器的效用，这可能有助于证明的优点，后悔作为一个强大的性能指标，是不是太悲观。最后，我们分析了一个中间设置之间的无知识和普通知识的设置。
2021-05-28 cs.GT
Algorithms for Persuasion with Limited Communication
战略沟通的贝叶斯说服范式模型之间的相互作用，一个私人知情的代理人，称为发送者，和一个无知的，但理性的代理人，称为接收者。目标通常是为发送方设计（接近）最佳的通信（或信令）方案。它使发送者能够向接收者披露信息，以激励她采取发送者更喜欢的行动。已知找到最佳信令方案通常在计算上是困难的。当对消息空间的大小也有约束时，这种困难进一步加剧，导致在任何常数因子内近似最优发送者效用的NP-困难。在本文中，我们表明，在几个自然和突出的情况下，即使消息空间是有限的优化问题是易于处理的。特别是，我们研究信号下的对称性或独立性的假设分布的效用值的行动。对于对称分布，我们提供了一个新的表征的最佳信令方案。它的结果在多项式时间算法来计算一个最佳的计划，许多compensated对称分布。在独立情况下，我们设计了一个常数因子的近似算法，这与一般情况下的近似困难形成了鲜明的对比。
2021-06-18 cs.GT
Algorithmic Persuasion Through Simulation
Carnegie Mellon University（卡内基梅隆大学）；Microsoft Research（微软研究院）
针对发送方仅掌握接收方有限信息的贝叶斯说服博弈，提出允许发送方查询模拟接收方行为的预言机以获取更多信息的方法，刻画最优消息策略并设计多项式时间查询算法优化发送方期望效用，还扩展考虑近似预言机等场景。
2025-02-12 cs.AI cs.GT econ.TH
Designing Inferable Signaling Schemes for Bayesian Persuasion
该研究针对贝叶斯说服中接收方需通过重复交互推断信号方案的场景，推导性能损失与样本量界，提出两种可推断信号方案设计方法，并验证其在安全警报场景的有效性。
2025-10-01 cs.GT
Persuasion Gains and Losses from Peer Communication
本研究通过贝叶斯说服模型分析同伴沟通对发送者收益的影响，发现网络扩展可提升收益且非单调，并警示更多沟通未必带来更好集体结果。
2025-09-11 cs.GT econ.TH
Algorithmic Bayesian Persuasion
说服，被定义为利用信息优势来影响他人决策的行为，无处不在。事实上，据估计，说服性沟通几乎占美国所有经济活动的三分之一。本文通过计算的视角来审视说服力，重点关注该领域最基本和最根本的模型：卡梅尼卡和根茨科著名的贝叶斯说服模型。这里有两个参与者，一个发送者和一个接收者。接收者必须采取一系列行动中的一个，而这些行动的收益是先验未知的，而发送者可以获得关于这些收益的额外信息。发送者可以承诺揭示一个关于各种行为的收益实现的噪声信号，并且希望这样做以最大化她自己的收益，假设一个完全理性的接收者。我们研究了发送者的优化任务，在三个最自然的输入模型，这个问题，并基本上钉在每个计算复杂性。当不同行动的收益分布是独立同分布时。并明确给出，我们展示了一个多项式时间（精确）算法，和一个“简单的”$(1-1/e)$ -近似算法。我们的i.i.d.设置涉及到一个类比拍卖理论，并利用边界的表征空间的减少形式的单一项目拍卖。当行动支付是独立的，但不相同的边际分布明确给出，我们证明了它是P-困难的计算最优期望发送者效用。最后，我们考虑了一个一般的（可能相关的）联合分布的行动支付的黑盒抽样预言，并展示了一个完全多项式时间近似方案（FPTAS）的双标准保证。我们表明，这一结果是最好的可能在黑箱模型的信息理论的原因。
2016-02-15 cs.GT
Bayesian Persuasion with Sequential Games
Politecnico di Milano（米兰理工大学）；University of Southampton（南安普顿大学）
我们研究了一个信息结构设计问题（A.K.A.）。说服）与一个单一的发送者和多个接收者与行动的先验未知类型，独立地从行动特定的边际分布。在标准贝叶斯说服模型中，发送者可以访问有关动作类型的附加信息，当她承诺（噪声）信号方案时，她可以利用这些信息向每个接收者发送私人信号。我们的模型的新颖性是在考虑的情况下，接收者在一个顺序的游戏与不完美的信息进行交互，与效用取决于游戏的结果和实现的动作类型。在正式的概念，事前和临时的说服力（不同的时间，接收器承诺遵循发送者的信令方案），我们调查的连续优化问题计算的信令方案，最大限度地提高发送者的预期收入。我们表明，当有三个或更多接收者时，计算最佳的事前说服性信号方案是NP难的。与以前的硬度的临时说服的结果相比，我们表明，对于两个接收器的游戏，一个最佳的事前说服信号方案可以计算在多项式时间由于一个新的算法的基础上，我们提出的椭球方法。
2019-08-02 cs.AI cs.GT
Bayesian Persuasion with State-Dependent Quadratic Cost Measures
我们解决贝叶斯说服发送者和接收者之间的状态依赖的二次成本措施一般类的分布。接收方试图根据发送方发送的信号对状态进行均方误差估计，而发送方则有策略地发送信号，以便以某种方式控制接收方的估计。这种方案可以模拟，例如，欺骗和隐私，多代理系统中的问题。现有的解决方案的概念是不可行的，因为这里的接收器具有连续的动作空间。我们表明，对于有限的状态空间，最佳的信令策略可以通过一个等价的线性优化问题的锥上的完全正矩阵计算。然后，我们建立其强对偶的一个共正计划。为了验证这一等价结果的有效性，我们采用了完全正锥的序贯多面体逼近，并对其性能进行了数值分析。我们还量化了一个连续分布的量化版本的近似误差，并表明，一个半定的程序放松的等价问题可能是一个基准下限发送者的成本为大的状态空间。
2020-09-11 cs.GT math.OC
Data-Driven Persuasion
本文提出数据驱动的贝叶斯说服方法，发送者利用决策者行动数据推断先验，并寻求最大化最坏情况收益的信号，证明了特定问题的鞍点存在性并刻画了稳健最优实验。
2025-08-05 cs.GT econ.TH
Sender-Receiver Games with Payment Commitments
Utrecht University（乌得勒支大学）
本文研究发送者-接收者博弈中的支付承诺，刻画不同承诺顺序下的均衡福利与计算复杂性，并证明最优私有随机化发送者收益等价于贝叶斯说服值。
2026-10-06 cs.GT
Off-Policy Evaluation for Sequential Persuasion Process with Unobserved Confounding
Department of Systems Engineering, Cornell University（系统工程系，康奈尔大学）；School of Civil and Environmental Engineering, Cornell University（土木与环境工程学院，康奈尔大学）
本文扩展贝叶斯说服框架，考虑未观测混杂因素，将其建模为POMDP，证明最优观测策略等价于最优信号策略，并利用近端学习实现仅凭观测数据进行离线策略评估。
2025-08-07 cs.AI cs.GT cs.SY
Online Bayesian Persuasion Without a Clue
针对发送者对先验和接收者一无所知的在线贝叶斯说服问题，提出一种基于非标准信号方案表示、搜索信号空间以学习接收者最佳响应的算法，实现次线性遗憾并给出紧下界。
2024-11-09 cs.GT
Persuasion with Coarse Communication
Texas A&M University（德克萨斯农工大学）；Stanford University, Stanford Graduate School of Business（斯坦福大学，斯坦福商学院）
研究在发送者只能使用k条消息的条件下，通过k-凹化方法优化信息结构，得出通信容量的紧界，并分析了信念阈值游戏中的最优粗略信息结构。
2026-06-11 cs.GT econ.TH
Persuading a Behavioral Agent: Approximately Best Responding and Learning
Harvard University（哈佛大学）
本文研究接收者仅能近似最优响应时的贝叶斯说服问题，证明该行为对发送者最大可实现效用影响有限，并进一步分析学习型接收者场景下发送者有时可获得更高收益。
2024-02-22 cs.GT cs.LG econ.TH
Timely Persuasion with Opposing Senders: When Does Competition Help the Receiver?
Bilkent University（比尔肯特大学）
研究对立偏好发送者竞争下的及时说服博弈，发现竞争可使接收者效用严格提升，并刻画了纯策略均衡及预算阈值。
2026-10-06 cs.GT cs.IT cs.NI
Timely Information for Strategic Persuasion
Bilkent University（比尔肯特大学）
研究资源约束下战略发送者通过控制信息揭示时机影响接收者信念的动态贝叶斯说服问题，提出基于连续时间马尔可夫链的Stackelberg博弈模型，并给出最优采样策略。
2026-07-02 cs.GT cs.IT cs.NI
Strategic Persuasion Through Information Timeliness
Bilkent University（比尔肯特大学）
研究动态战略通信问题，发送方控制二元连续时间马尔可夫源更新时间，与接收方构成斯塔克尔伯格博弈。提出最优策略及分支定界算法，将解决方案扩展到多接收方，结果显示控制及时性可助发送方说服接收方并提升效用。
2026-07-20 cs.GT cs.IT cs.NI
Bayesian Persuasion in Sequential Trials
我们考虑贝叶斯说服或信息设计问题，发送者试图说服接收者通过一系列信号采取特定的行动。我们通过考虑基于先前实验结果进行不同实验的多阶段试验来建模。与大多数文献相比，我们考虑的问题与信号施加在发送者的约束。我们通过以一种外生的方式固定某些实验来实现这一点;这些实验被称为确定实验。这种建模有助于我们理解发生这种情况的真实情况：例如，多阶段药物试验，其中FDA确定了一些实验，由风险投资公司资助启动，由大公司进行的启动收购，其中后期评估由潜在收购方决定，多轮工作面试，候选人最初通过展示他们的资格来发出信号，但其余的筛选程序由面试官决定。多阶段试验中的非确定性实验（信号）由发送方选择，以便最好地说服接收方。随着世界的二进制状态，我们开始推导出最佳的信号策略，在唯一的非平凡配置的两阶段试验与二进制结果的实验。然后，我们推广到多阶段试验与二进制结果的实验，其中确定的实验可以放置在任何选定的节点在试验树。在这里，我们提出了一个动态规划算法来获得最佳的信令策略，使用两阶段试验解决方案的结构见解。我们还对比了最优的信号策略结构与经典的贝叶斯说服策略，突出的信号约束对发送者的影响。
2021-11-22 cs.GT econ.TH
Information Bargaining: Bilateral Commitment in Bayesian Persuasion
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；University of Waterloo（滑铁卢大学）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）；Tongji University（同济大学）
针对长期贝叶斯说服的 NP 困难问题，论文提出双边承诺的信息讨价还价框架，区分信息优势与先提议者优势，并用 GPT-o3、DeepSeek-R1 验证其预测。
2025-06-09 cs.AI cs.GT
Sequential Information Design: Markov Persuasion Process and Its Efficient Reinforcement Learning
Yale University（耶鲁大学）；University of Virginia（弗吉尼亚大学）；University of Science and Technology of China（中国科学技术大学）；Google（谷歌）；Northwestern University（西北大学）
在当今经济中，互联网平台考虑顺序信息设计问题以使其长期利益与gig服务提供商的激励相一致变得重要。本文提出了一种新的模型，顺序信息设计，即马尔可夫说服过程（MPPs），发送者，具有信息优势，试图说服流近视接收者采取行动，最大限度地提高发送者的累积效用在有限时域马尔可夫环境中，具有不同的先验和效用函数。因此，在MPP规划面临着独特的挑战，在寻找一个信令策略，同时具有说服力的近视的接收器，并诱导发送器的最佳长期累积效用。然而，在模型已知的总体水平上，事实证明，我们可以有效地确定最优（分别为）。$ε$ -最佳）策略，具有有限（分别无限的）状态和结果，通过修改公式的贝尔曼方程。我们的主要技术贡献是研究在线强化学习（RL）设置下的MPP，其目标是通过与底层MPP交互来学习最优信令策略，而无需知道发送方的效用函数，先验分布和马尔可夫转移核。我们设计了一个可证明有效的无遗憾学习算法，说服过程的乐观-悲观原则（OP 4），它具有乐观和悲观原则的新颖组合。我们的算法通过实现次线性$\sqrt{T}$ -遗憾上界而享有样本效率。此外，我们的算法和理论都可以通过函数逼近应用于具有大空间结果和状态的MPP，并且我们在线性设置下展示了这样的成功。
2022-02-22 cs.AI cs.GT cs.LG
Persuasive Prediction via Decision Calibration
针对大状态空间下无共同先验的贝叶斯说服，提出基于决策校准的预测学习方法，实现高效算法并匹配已知先验的效用。
2025-05-22 cs.GT
Markov Persuasion Processes with Endogenous Agent Beliefs
针对接收者信念依赖已实现历史的马尔可夫说服过程，论文提出 ℓ 期滞后局部信息模型，刻画收益排序并给出基准最优算法，还设计了大 ℓ 下近似最优的历史无关信号机制。
2023-07-13 cs.GT econ.TH
Differentially Private Bayesian Persuasion
本文研究差分隐私约束下的贝叶斯劝说问题，从后验发布和行动推荐两个视角刻画隐私对信息披露与发送方效用的影响，并给出最优信号方案的几何特征及多项式时间计算算法。
2024-02-24 cs.GT
Learning to Persuade Privately Informed Receivers
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
该研究针对接收者拥有发送者未知私人信号方案的在线贝叶斯说服问题，设计了遗憾值为$\tilde{O}(T^{3/4})$的学习算法，将信念空间划分学习简化为变点检测问题。
2026-08-04 cs.GT cs.LG
Truth Revelation, Information Hiding, or Misinformation: Characterization of Equilibrium Outcomes in Signaling Games
TOBB University of Economics and Technology（托卜经济与技术大学）；Bilkent University（比尔肯特大学）；Queen’s University（女王大学）
本文刻画了信号博弈中均衡结果的条件，证明在特定收益结构下随机化策略可提升发送者收益，并给出算法及统一结论。
2026-09-09 cs.GT cs.IT math.IT
Verbalized Bayesian Persuasion
Tongji University（同济大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；East China Normal University（华东师范大学）；Vector Institute（矢量研究所）
本工作提出首个基于LLM的言语化贝叶斯说服框架，将其映射为言语化扩展式博弈，并结合LLM与博弈求解器设计广义均衡求解算法，在对话场景中有效重现理论结果并发现复杂说服策略。
2025-02-03 cs.AI cs.GT cs.LG
Persuading Risk-Conscious Agents: A Geometric Approach
针对信念效用非线性、具有风险意识的接收者，本文利用问题几何结构提出凸优化框架以求解最优说服机制，刻画完全说服条件，并将二元说服归约为线性规划。
2023-07-13 cs.GT econ.TH
Learning to Persuade on the Fly: Robustness Against Ignorance
University of Minnesota（明尼苏达大学）；University of Chicago（芝加哥大学）
本文研究发送者在未知状态分布下即时学习并说服接收者的问题，提出以鲁棒性为核心的说服力准则，并设计算法实现 $O(\sqrt{T\log T})$ 的最优遗憾界。
2024-05-03 cs.GT cs.LG econ.TH
Computational Aspects of Bayesian Persuasion under Approximate Best Response
研究近似最优响应下的贝叶斯说服计算问题，提出状态或行动空间较小时的精确算法及一般问题的准多项式时间近似方案，并证明一般问题不存在多项式时间精确算法。
2024-02-13 cs.GT
Persuading while Learning
本文提出动态产品采纳说服模型，发送者逐步学习状态并承诺动态揭示策略，证明在鞅具有Blackwell保持核时最优策略呈区间形式，且足够缺乏耐心时随机游走鞅下最优策略完全透明。
2024-07-19 cs.GT
Bayesian Persuasion for Algorithmic Recourse
Carnegie Mellon University（卡内基梅隆大学）
当进行自动决策时，决策主体可能会以他们认为最大化他们获得有利决策的机会的方式策略性地修改他们的可观察特征。在许多实际情况下，潜在的评估规则被故意保密，以避免游戏和保持竞争优势。由此产生的不透明性迫使决策主体在进行战略性特征修改时依赖于不完整的信息。我们捕捉这样的设置作为一个游戏的贝叶斯说服，决策者提供了一种形式的追索权的决策主体，为他们提供一个行动建议（或信号），以激励他们修改自己的功能在理想的方式。我们发现，当使用说服，决策者和决策主体的预期是从来没有更糟，而决策者可以显着更好。虽然决策者的问题，找到最佳的贝叶斯激励兼容（BIC）的信号政策的形式优化无限多的变量，我们表明，这种优化可以被铸造为一个线性规划在有限的许多区域的空间可能的评估规则。虽然这种重新表述极大地简化了问题，但求解线性规划需要对指数多变量进行推理，即使在相对简单的情况下也是如此。出于这种观察，我们提供了一个多项式时间近似方案，恢复一个接近最优的信令策略。最后，我们的半合成数据的数值模拟经验证明了在算法追索权设置中使用说服的好处。
2022-10-07 cs.GT cs.LG
Bayesian Persuasion under Ex Ante and Ex Post Constraints
贝叶斯说服是研究战略代理人之间的信息共享策略。一个最好的例子是在线广告拍卖中的信号：当向用户出售广告机会时，平台应该向广告商发出关于用户的什么信息？防止歧视、保护隐私或承认信息接收者注意力有限等实际考虑因素对信息共享施加了限制。在这项工作中，我们提出并分析了一个简单的方法来数学建模，如限制接收器的容许后验信念的限制。我们考虑两个家庭的约束-事前和事后，后者限制发送者-接收者通信的每个实例，而前者更一般的家庭也可以构成限制的期望。对于事前族，Doval和Skreta建立了具有少量信号的最优信号方案的存在性-至多是约束的数量加上自然状态的数量;我们证明了这个结果是紧的，并提供了另一种证明。对于事后族，我们收紧了Vølund的界，表明所需的信号数至多是自然状态数，就像卡梅尼卡-根茨科的原始场景一样作为我们的主要算法的结果，我们提供了一个添加剂的双标准FPTAS的最优约束信令方案假设一个恒定的状态数，我们提高了近似的Slater的正则性条件下的单标准。FPTAS在标准假设下成立;放松的假设产生PTAS。最后，我们确定了凸事前约束下Sender的最佳效用与相应的事后约束之间的比率。这个界限适用于找到一个近似福利最大化的约束信令方案在广告拍卖。
2021-04-11 cs.GT
Mediated Cheap Talk Design (with proofs)
我们研究了一个信息设计问题，两个知情者和一个接收器中，在传统的贝叶斯说服设置相反，不承诺的权力。在我们的设置中，一个可信的中介/平台从接收器收集数据，并建议接收器采取哪些行动。我们的特点，可以在平衡中获得的一组可实现的动作分布，并提供了一个$O(n \log n)$算法（其中$n$是状态的数量），计算的最佳平衡点。此外，我们表明，接收器的最佳均衡可以通过一个简单的启示机制。
2022-11-29 cs.GT cs.MA
Quantifying Theoretical AI Alignment Guarantees: Receiver-Utility Bounds in Bayesian Persuasion
Cornell University（康奈尔大学）
通过贝叶斯说服模型，研究AI发送者优化错位目标时，人类接收者仍能获得多少有用信息，证明接收者效用比不超过3/2，并给出紧性下界。
2026-06-23 cs.AI cs.GT cs.IT
Algorithmic Persuasion with No Externalities
研究了信息结构设计的算法。说服或信号-在Arieli和Babichenko介绍的一个基本特殊情况下：多个代理，二元行为，没有代理间的外部性。与之前的工作不同，我们允许许多自然状态。我们假设校长的目标是一个单调的集函数，并研究在公共信号和私人信号模型的问题，绘制两者之间的效率和计算复杂性方面的鲜明对比。当私人信号被允许时，我们的结果在很大程度上是积极的，而且相当普遍。首先，我们证明了最优信令和最大化目标函数加一个附加函数的问题之间的多项式时间等价性。当目标是超模或匿名时，这产生了最优方案的有效实现。其次，我们展示了（1-1/e）-近似的最佳私人信令方案，模的附加损失$ε$，当目标函数是submodular。这两个结果简化、统一和推广了[Arieli and Babichenko，2016]和[Babichenko and Barman，2016]的结果，将它们从自然界的二元状态扩展到许多状态（对后一结果中的加性损失取模）。第三，我们考虑具有子模目标的二元状态情况，并简化和稍微加强[Babichenko and Barman，2016]的结果，以通过显式构造的方案获得（1-1/e）-近似。当只允许公开信号时，我们的结果是否定的。首先，我们证明了在任何常数因子内，即使目标是可加的，近似最优公共方案也是NP困难的。其次，我们证明了最优私有方案在最大化发送方目标方面可以通过多项式因子优于最优…
2017-05-13 cs.GT
On the benefits of being constrained when receiving signals
我们研究贝叶斯说服设置中，接收器正试图匹配（二进制）的世界状态。发送者的效用与接收者的效用部分一致，因为以接收者的行为为条件，当世界的状态与行为相匹配时，发送者获得更高的效用。我们的重点是，在这样的环境中，被约束是否有助于接收器。直觉上，如果接收者只能以较小的概率采取发送者偏好的行动，发送者可能必须透露更多的信息，以便接收者可以在发送者偏好的时候更具体地采取行动。我们表明，在世界的二元状态下，这种直觉确实存在：在非常温和的非简并条件下，更多约束的接收器将总是获得比较少约束的接收器（弱）更高的效用。不幸的是，如果没有额外的假设，当世界上有两个以上的状态时，结果就不成立了，我们用一个明确的例子来证明。
2021-10-25 cs.GT
Algorithmic Cheap Talk
本文系统研究有限环境下廉价磋商的算法问题，证明最优均衡近似与非平凡效用均衡判定均为 NP 困难，并给出状态数恒定或接收者仅有两行动时的高效算法。
2024-09-09 cs.GT
Persuading Agents in Opinion Formation Games
本文研究FJ意见形成模型中的贝叶斯说服，提出算法优化发送者信息揭示策略，针对基于范围的目标给出高效算法及近似界限。
2025-09-09 cs.GT
Verification Required: The Impact of Information Credibility on AI Persuasion
Manning College of Information and Computer Sciences, University of Massachusetts Amherst, Massachusetts, USA（信息与计算机科学学院，马萨诸塞大学阿默斯特分校，马萨诸塞州，美国）
研究提出MixTalk游戏模型，通过验证与不可验证声明的结合，探讨信息可信度对AI说服力的影响，并提出TOPD方法提升接收者鲁棒性。
2026-02-01 cs.CL cs.GT
Algorithmic Information Design for Searchers with Uncertain Alternatives
Renmin University of China（中国人民大学）；Shanghai University of Finance and Economics（上海财经大学）
研究竞争性广告商通过信息设计影响消费者序贯搜索和购买决策的问题，基于对偶方法验证最优反应并刻画对称均衡。
2026-07-16 cs.GT econ.TH
Learning How to Strategically Disclose Information
Coordinated Science Lab, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校协调科学实验室）
本文研究在线策略性信息设计，提出参数化方法使发送者在未知接收者类型下实现次线性遗憾，并扩展至带信息成本的说服问题。
2024-03-13 cs.GT cs.IT cs.LG
Persuasion, Delegation, and Private Information in Algorithm-Assisted Decisions
Cornell University（康奈尔大学）
本文研究算法辅助决策中的最优算法设计与授权规则，发现授权仅在委托人与代理人决策一致时最优，信息量最大的算法可能次优，且善意增加信息或保留人类参与的政策可能反而降低决策质量。
2024-02-21 cs.AI cs.CY cs.GT
